近日，我校区计算机科学与技术学院青年教师齐元凯为第一作者、张盛平教授为共同通讯作者的论文”Hedging Deep Features for Visual Tracking”（组合深度学习特征用于目标跟踪）发表于国际期刊《IEEE Transactions on Pattern Analysis and Machine Intelligence》(IEEE T-PAMI)。IEEE T-PAMI是人工智能领域公认的最顶级的期刊之一，也是中国计算机学会认定的人工智能领域四个A类期刊之一，最新影响因子9.455。

近几年，深度卷积神经网络（DCNN）在计算机图像领域取得了极大成功，例如在1000类图像分类任务上的错误率已低于人眼分辨错误率。这得益于卷积神经网络学习得到的特征具有很强的辨别力。目标跟踪领域也出现了基于DCNN特征的跟踪方法，取得了比使用传统特征更高的跟踪准确度。但是，这些算法存在一定缺陷，比如他们大多仅使用DCNN最后一层的特征做目标/背景分类。然而研究表明，深层DCNN特征仅具有较强的语义分辨能力，而空间分辨率较低、定位能力差，这就对定位要求较高的目标跟踪造成了限制。为了解决这一问题，我们改进了在线决策理论Hedge算法，用于组合DCNN多层特征，使具有较高分辨率、利于空间定位的浅层DCNN特征与具有强语义判别力的深层DCNN特征互相补充。损失估计是Hedge算法的核心，为此，在估算精度损失时，我们同时考虑了不同特征在不同场景下的性能差异，也考虑了同一种特征在不同时间段的性能差异。基于这一原则建立的多高斯损失模型在大量实验中证明能够准确地估计不同特征间的相对跟踪性能，进而有效地融合多种特征的跟踪结果。

论文链接：https://ieeexplore.ieee.org/document/8344501